ACI-GNN:轻量级全通道交互图神经网络用于多传感器煤石切割识别
Zhixin Jin1,2,3, Jie Cheng1,2, Wenyan Cao1,2,3,4
1College of Safety and Emergency Management Engineering, Taiyuan University of Technology, Taiyuan 030024, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种新的图形神经网络 (GNN) 模型,用于多传感器煤炭和岩石切割状态识别,显著提高了准确性和稳定性. 该GNN模型增强了特征捕获并减少了冗余性,在噪音条件下超过传统神经网络的性能.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 传统的神经网络在煤炭/岩石切割状态识别中扎着单个传感器的低准确性和道冗余.
- 现有的模型在复杂的工业环境中表现不佳,性能不佳,强度有限.
研究的目的:
- 使用图形神经网络 (GNN) 开发一个强大的多传感器煤炭和岩石切割状态识别模型.
- 为了增强功能捕获,减少频道冗余,提高识别精度和抗噪.
主要方法:
- 提出了一个基于GNN的新型模型,包括功能编码器,信息交换模块和功能解码器.
- 该模型增强了层内的过器间的通信,以改善特征提取.
- 在多传感器数据集上进行了比较,切除和抗噪试验.
主要成果:
- 拟议的GNN模型比基线模型 (CNN3,ResNet,DenseNet) 取得了显著的准确性改进.
- 带有ACI块的ResNet模型表现出优越的抗噪能力,在6dB噪声下保持93.27%的精度.
- 嵌入式部署证实了实时性能 (NVIDIA Jetson Nano上的<216.1毫秒/窗口).
结论:
- 基于GNN的模型有效地解决了煤炭和岩石切割状态识别方面的挑战.
- 该模型表现出卓越的稳定性,准确性和实时处理能力.
- 它在资源有限的地下采矿环境中显示出有前途的应用.
